1

День добрый, уважаемые!

Возникла задача - запарсить HTML файл Java парсерами. Я выбрал STAX. Однако в процессе работы парсер выкидывает ряд исключений, связанных с тем, что HTML не является валидным XML. В частности, он жалуется на незакрытые тэги, на странное написание DOCTYPE, на символы &nbsp и прочее.

Я могу как-то обойти это дважды проходя по HTML и выкидывая то, что вызывает ошибку. Могу, не обращать внимание на исключения выкинутые после того, как я получил то, что нужно. Но хотелось бы сделать как надо.

Так есть способ запарсить HTML с незакрытыми и ошибочными тэгами через стандартные Java парсеры, не привлекая сторонних библиотек?

5
  • Может я и не в тему, но вроде бы в яве уже есть специальный хтмл парсер, который можно использовать сразу для написания своего браузера.
    – Gorets
    5 окт 2011 в 11:35
  • Да, есть. Только его надо отыскать и еще попытаться разобраться. 5 окт 2011 в 12:05
  • А какой конечный результат должен выйти? Может, можно пойти совершенно другим путем, более легким? 5 окт 2011 в 12:07
  • Ну я думаю, с готовым велосипедом можно быстрее разобраться, чем из 3х колесного делать 2х колесный и пытаться ехать =) И я имел ввиду, что это не сторонний продукт.
    – Gorets
    5 окт 2011 в 12:29
  • Есть HTMLUnit, см. ниже. Можно самому написать разбор, это не сложно, просто должно же быть нормальное решение. Собственно проблема только в том как отключить валидацию в STAX.
    – KutaBeach
    5 окт 2011 в 13:22

1 ответ 1

2

HTML по определению не является well-formed XML-документом. Поэтому стандартные XML парсеры не подоходят. Можно попробовать SAX (может и со StAX выйдет) c отключенной валидацией и хитрой работой со всеми событиями парсера, но не факт, что получится.

Чем вызвано нежелание использования сторонних библиотек? Хорошо бы подошли HtmlUnit или TagSoup.

3
  • Нежелание связано с тем, что: 1) не хочется перегружать проект лишними библиотеками из-за того что надо запарсить маленькую табличку. 2) HTMLUnit по слухам имеет утечки памяти; в любом случае он выполняется довольно долго, даже если отключить css и javascripts. ИМХО это из пушки по воробьям. Собственно мой вопрос был вызван тем что я не знаю как отключить валидацию в STAX. Параметр который там есть в factory ничего не дает.
    – KutaBeach
    5 окт 2011 в 13:21
  • 1
    Если известно, что это всего-лишь маленькая табличка, то наверное и структура HTML-документа известна. Поэтоу на регулярках распарсить.
    – a_gura
    5 окт 2011 в 14:46
  • Да, это действительно проще, спасибо.
    – KutaBeach
    5 окт 2011 в 15:28

Ваш ответ

Нажимая на кнопку «Отправить ответ», вы соглашаетесь с нашими пользовательским соглашением, политикой конфиденциальности и политикой о куки

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.